YOLO11 대 YOLOv5: 객체 탐지 기술 발전
정확도, 속도 및 배포 용이성의 균형을 맞추는 올바른 객체 감지 모델을 선택하는 것은 매우 중요한 결정입니다. 이 페이지에서는 최첨단 Ultralytics YOLO11과 널리 채택된 Ultralytics YOLOv5라는 Ultralytics의 두 가지 랜드마크 모델 간의 포괄적인 기술 비교를 제공합니다. YOLOv5는 성능과 사용 편의성 측면에서 업계 표준을 세웠지만 YOLO11은 차세대 진화 단계로, 강력하고 사용자 친화적인 Ultralytics 생태계 내에서 뛰어난 정확도, 향상된 다재다능성 및 최신 아키텍처 혁신을 제공합니다.
Ultralytics YOLO11: 새로운 최첨단 기술
Glenn Jocher와 Jing Qiu가 제작한 YOLO11은 Ultralytics YOLO 시리즈의 최신 모델이자 가장 발전된 모델입니다. 2024년에 출시되었으며 YOLOv8과 같은 이전 모델의 강력한 기반을 바탕으로 성능과 효율성 면에서 새로운 기준을 세웠습니다. 객체 탐지뿐만 아니라 다양한 컴퓨터 비전 작업을 위한 포괄적인 프레임워크로 설계되었습니다.
- 저자: Glenn Jocher, Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- 문서: https://docs.ultralytics.com/models/yolo11/
아키텍처 및 주요 기능
YOLO11은 앵커 프리 감지 헤드 및 최적화된 네트워크 구조를 포함하여 중요한 아키텍처 개선 사항을 도입했습니다. 이 최신 디자인 선택은 앵커 상자를 미리 정의할 필요성을 없애 다양한 데이터 세트에 대한 일반화 성능을 향상시켜 학습 프로세스를 간소화합니다. 이 모델은 많은 경우 더 적은 파라미터와 계산 요구 사항(FLOP)으로 YOLOv5보다 더 높은 평균 정밀도(mAP)를 달성하여 뛰어난 효율성을 보여줍니다.
YOLO11의 가장 두드러진 특징은 다재다능함입니다. 객체 탐지, 인스턴스 분할, 이미지 분류, 자세 추정 및 방향성 경계 상자(OBB)를 기본적으로 지원하는 통합 프레임워크입니다. 이러한 다중 작업 기능 덕분에 복잡한 AI 시스템을 위한 매우 강력하고 유연한 도구입니다.
강점
- 최첨단 정확도: YOLOv5에 비해 훨씬 더 높은 mAP 점수를 제공하여 새로운 성능 표준을 확립합니다.
- 높은 효율성: 보다 효율적인 아키텍처로 더 나은 정확도를 달성하며, 종종 더 적은 파라미터와 FLOPs를 필요로 합니다.
- Anchor-Free Design: 앵커 박스 구성에 대한 의존성을 제거하여 학습을 간소화하고 성능을 향상시킵니다.
- 다중 작업 다재다능함: 광범위한 비전 작업을 위한 단일 프레임워크로, 다면적인 애플리케이션 개발을 간소화합니다.
- 잘 관리되는 에코시스템: 지속적인 개발, 광범위한 문서, 강력한 커뮤니티 지원, 그리고 MLOps를 위한 Ultralytics HUB와 같은 도구와의 원활한 통합을 통해 이점을 얻습니다.
- 학습 효율성: 효율적인 학습 프로세스를 제공하며, 즉시 사용 가능한 사전 학습된 가중치를 통해 일반적으로 트랜스포머와 같은 더 복잡한 아키텍처보다 더 낮은 메모리 사용량을 요구합니다.
약점
- 최첨단 모델로서 YOLO11의 더 큰 변형은 계산 집약적일 수 있으므로 최적의 성능을 위해 최신 GPU 하드웨어가 필요합니다.
이상적인 사용 사례
YOLO11은 최고의 정확도와 유연성을 요구하는 새로운 프로젝트에 이상적인 선택입니다.
- 고급 로봇 공학: 역동적인 환경에서 정밀한 객체 상호 작용 및 탐색을 위해 사용됩니다.
- 산업 자동화: 고정밀 품질 관리 및 결함 감지.
- 헬스케어: 종양 감지와 같은 작업을 위한 의료 영상 분석 지원.
- 스마트 시티: 교통 관리 및 공공 안전을 위한 복잡한 시스템을 강화합니다.
YOLOv5: 확고하고 다재다능한 핵심 도구
2020년 Glenn Jocher가 Ultralytics에서 발표한 YOLOv5는 빠르게 세계에서 가장 인기 있는 객체 감지 모델 중 하나가 되었습니다. 속도와 정확도의 뛰어난 균형, 사용 편의성, PyTorch에서의 강력하고 잘 문서화된 구현으로 찬사를 받고 있습니다.
- 작성자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 문서: https://docs.ultralytics.com/models/yolov5/
아키텍처 및 주요 기능
YOLOv5는 효과적인 특징 집계를 위해 CSPDarknet53 백본과 PANet 넥을 기반으로 하는 아키텍처를 사용합니다. 감지 헤드는 앵커 기반이며, 이는 릴리스 당시 표준적이고 효과적인 접근 방식이었습니다. YOLOv5의 가장 큰 강점 중 하나는 작은 'n'(나노) 버전에서 큰 'x'(초대형) 버전에 이르기까지 다양한 모델을 제공하여 개발자가 속도와 정확성 사이에서 쉽게 절충할 수 있는 확장성입니다.
강점
- 탁월한 추론 속도: 실시간 성능에 매우 최적화되어 있어 NVIDIA Jetson과 같은 에지 장치의 애플리케이션에 가장 적합한 선택입니다.
- 사용 편의성: 간단한 API, 광범위한 튜토리얼, 간소화된 훈련 및 배포 워크플로로 유명합니다.
- 성숙한 에코시스템: 대규모 커뮤니티, 수년간의 활발한 개발 및 수많은 실제 배포를 통해 안정성과 신뢰성을 보장합니다.
- 유연성: 다양한 모델 크기로 거의 모든 하드웨어 제약 조건에 적응할 수 있습니다.
약점
- 낮은 정확도: 여전히 강력하지만 정확도는 YOLO11과 같은 최신 모델에 의해 능가됩니다.
- Anchor-Based Detection: 사전 정의된 앵커 박스에 의존하며, 최신 앵커 프리 검출기와 비교했을 때 사용자 정의 데이터 세트에서 최적의 성능을 얻으려면 수동 튜닝이 필요한 경우가 있습니다.
이상적인 사용 사례
YOLOv5는 특정 시나리오에 여전히 훌륭한 선택입니다.
- Edge Computing: 추론 속도가 최우선인 Raspberry Pi와 같이 리소스가 제한된 장치에 배포합니다.
- 신속한 프로토타이핑: 단순성과 속도로 인해 개념 증명 애플리케이션을 신속하게 구축하고 테스트하는 데 적합합니다.
- 레거시 시스템: YOLOv5 프레임워크를 기반으로 구축된 기존 프로젝트를 유지 관리하거나 업데이트합니다.
- 실시간 감시: 높은 FPS가 중요한 보안 시스템을 지원합니다.
성능 및 벤치마크: YOLO11 vs. YOLOv5
성능 지표는 YOLOv5에서 YOLO11로의 진화를 명확하게 보여줍니다. COCO 데이터 세트에서 YOLO11 모델은 비슷한 크기의 YOLOv5 모델보다 일관되게 더 높은 mAP 점수를 달성합니다. 예를 들어 YOLO11m은 51.5 mAP에 도달하여 YOLOv5m의 45.4 mAP를 크게 능가합니다. 또한 YOLO11은 종종 더 뛰어난 계산 효율성으로 이를 수행합니다. 특히 가장 작은 모델인 YOLO11n은 CPU에서 YOLOv5n보다 빠르면서 mAP에서 11.5포인트나 크게 증가했습니다.
| 모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 T4 TensorRT10 (ms) |
파라미터 (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
결론: 어떤 모델을 선택해야 할까요?
YOLO11과 YOLOv5 중에서 선택하는 것은 프로젝트의 특정 요구 사항에 따라 달라집니다.
YOLOv5는 입증되고 신뢰할 수 있으며 매우 빠른 모델입니다. 특히 구형 또는 리소스가 제한된 하드웨어에서 속도가 최우선인 애플리케이션에 여전히 훌륭한 옵션입니다. 성숙도와 광범위한 커뮤니티 지원은 많은 프로젝트에 안정적인 기반을 제공합니다.
그러나 거의 모든 새로운 프로젝트에서 YOLO11이 명확하고 권장되는 선택입니다. 최첨단 정확도, 뛰어난 효율성 및 타의 추종을 불허하는 다재다능성을 제공하는 중요한 도약입니다. 앵커 없는 아키텍처와 여러 비전 작업에 대한 기본 지원은 더욱 강력하고 유연하며 미래 보장형 솔루션입니다. YOLO11을 선택함으로써 개발자는 최신 AI 발전을 활용하여 더욱 강력하고 정확한 컴퓨터 비전 애플리케이션을 구축하는 동시에 간소화되고 잘 관리되는 Ultralytics 생태계의 이점을 누릴 수 있습니다.
다른 모델 비교 살펴보기
이러한 모델이 다른 주요 아키텍처와 어떻게 비교되는지 궁금하다면 다른 비교 페이지를 확인해 보세요.
